En este artículo invitado especial, Ryan Welsh, cofundador y director ejecutivo de Kyndi, analiza cómo las organizaciones están aprovechando las últimas técnicas de procesamiento del lenguaje natural para permitir una comprensión sofisticada del lenguaje natural. Ryan fundó Kyndi en 2014 con la visión de crear un mundo en el que la IA empoderara a los humanos para que hicieran su trabajo más significativo. Bajo su liderazgo, Kyndi ha creado la categoría de habilitación del lenguaje natural, que ofrece una poderosa plataforma de habilitación del lenguaje natural y soluciones habilitadas para el lenguaje natural. Ryan recibió su licenciatura en antropología de la Universidad Católica de América, su maestría en matemáticas aplicadas/economía de la Universidad de Rutgers y una maestría en administración de empresas de la Universidad de Notre Dame.
Según Deloitte, hasta el 80% de toda la información está oculta en datos no estructurados basados en texto que viven en varios sistemas dentro y fuera de las empresas. Muchas organizaciones luchan por extraer información relevante cuando buscan respuestas en datos de texto, principalmente porque las herramientas de búsqueda que utilizan no están diseñadas para procesar datos no estructurados de manera eficaz y eficiente.
El trabajo remoto e híbrido ha exacerbado el dolor de los resultados de búsqueda insatisfactorios porque muchos empleados trabajan desde sus propias ubicaciones y acceden a la información a diferentes horas, lo que hace que compartir información dentro de una organización sea un gran desafío. No puede simplemente comunicarse con su colega sentado a su lado para obtener respuestas cuando lo considere necesario. En cambio, los empleados recurren habitualmente a las herramientas de búsqueda de palabras clave para encontrar información relevante.
Con estas herramientas inadecuadas, los empleados pasan más tiempo (hasta 3,6 horas por día/938 horas por año) buscando información ahora que antes de la pandemia, en particular con datos basados en texto, como documentos y mensajes. Las herramientas de búsqueda convencionales no están equipadas para resolver este problema porque están diseñadas para buscar palabras clave en datos estructurados, una técnica que no está diseñada para encontrar las respuestas correctas en datos basados en texto de manera efectiva.
Entonces, ¿cómo soluciona una empresa esta mala experiencia de búsqueda y obtiene rápidamente las respuestas correctas para sus empleados y clientes cuando buscan información oculta en datos de texto no estructurados? ¿Cómo cambia su enfoque de búsqueda para que esté más orientado a las palabras clave, para que todos puedan hacer preguntas usando sus propias frases? Después de todo, sin acceso a toda la información empresarial importante que se ha recopilado y almacenado en diferentes formatos, el éxito a largo plazo de la empresa puede correr peligro.
La búsqueda de palabras clave tiene muchas limitaciones
Con cualquier motor de búsqueda tradicional, está escribiendo palabras clave y el motor devuelve resultados solo si contienen las palabras exactas. Cuando se utiliza para buscar datos de texto no estructurados, los usuarios deben leer varios resultados detenidamente para encontrar la respuesta a la pregunta porque no se les dirige directamente a las oraciones que contienen la respuesta. Estos motores de búsqueda de palabras clave realizan coincidencias de tokens cuando lo que se necesita es un motor de búsqueda que comprenda el significado contextual del idioma.
Aquí es donde entra en juego la búsqueda de lenguaje natural. Si su empresa aún no ha habilitado el procesamiento de lenguaje natural (NLP) para buscar su contenido, habilitar experiencias de cliente de autoservicio o acelerar el descubrimiento de información del mercado, está detrás de la curva. La PNL es una tendencia clara en 2022 y más allá. Es una tecnología prometedora que puede generar resultados revolucionarios para las búsquedas basadas en texto porque utiliza técnicas sofisticadas de inteligencia artificial en lugar de una simple coincidencia de palabras clave.
Búsqueda en lenguaje natural: la clave para ofrecer mejores respuestas
La búsqueda en lenguaje natural es un enfoque de búsqueda avanzada que emplea técnicas de inteligencia artificial para interpretar con precisión una pregunta expresada en lenguaje natural completo y recuperar las respuestas más relevantes basadas en esa comprensión profunda tanto de la pregunta como de los datos subyacentes. Con la búsqueda en lenguaje natural, puede hacer una pregunta usando sus propias palabras, como si le estuviera preguntando a otra persona, y esperar respuestas contextuales y altamente precisas a cambio, no más búsquedas infructuosas.
Por el contrario, con la búsqueda tradicional de palabras clave, los usuarios tienen que elegir palabras y sintaxis específicas para hacer sus preguntas, y el motor de búsqueda recupera documentos o datos que pueden o no ser útiles para el usuario.
La búsqueda en lenguaje natural requiere la comprensión del lenguaje natural (NLU), una rama de la inteligencia artificial que enseña a las computadoras a comprender el lenguaje. NLU es un componente importante de la interacción humano-computadora, un campo multidisciplinario centrado en la interacción entre humanos y computadoras. La comprensión del idioma hace que la experiencia de búsqueda sea más fácil de usar. Actualmente, la aplicación principal de NLU es crear bots habilitados para chat y voz que pueden interactuar con el público sin asistencia humana.
Muchas empresas, como Amazon, Apple, Google y Microsoft, y nuevas empresas, tienen proyectos NLU en marcha. Pero NLU se usa cada vez más en casos de uso de búsqueda en lenguaje natural, demostrando ser una herramienta valiosa para permitir que más usuarios comerciales encuentren rápida y fácilmente información significativa cuando buscan respuestas en datos de texto.
Además de NLU, una solución de búsqueda de lenguaje natural también debe proporcionar capacidades críticas, como análisis de búsqueda, ajuste y optimización fáciles y rápidos, evaluación comparativa y monitoreo de modelos, y creación de una tubería de datos continua. Las medidas de seguridad de datos empresariales también deben ser parte del proceso.
El lenguaje tiene tres propiedades principales: sintaxis, semántica y pragmática. Tiene una estructura sintáctica, la semántica proporciona el significado ostensible y la pragmática es cómo el contexto contribuye al significado. Los sofisticados sistemas de inteligencia artificial y aprendizaje automático comprenden mejor las tres propiedades del lenguaje. En los motores de búsqueda de palabras clave, todo esto falta en gran medida.
¿Cómo pueden las empresas utilizar la PNL para impulsar el impacto?
Los casos de uso populares para la búsqueda en lenguaje natural incluyen la implementación de la búsqueda de autoservicio tanto para los clientes como para los agentes de soporte para optimizar la experiencia del cliente mientras se mejora la eficiencia del soporte y se acelera la búsqueda de políticas y procedimientos para cumplir con los requisitos de cumplimiento y minimizar los riesgos. Otro es obtener conocimientos de mercado precisos y más profundos para la investigación competitiva (para equipos e investigadores de inteligencia de mercado) para desarrollar estrategias comerciales ganadoras.
Solo cuando una empresa se transforma en una empresa habilitada para el lenguaje natural puede establecerse en un curso mejor y más prometedor para hacer crecer su negocio.
Regístrese para recibir el boletín gratuito insideBIGDATA.
Únase a nosotros en Twitter: https://twitter.com/InsideBigData1
Únase a nosotros en LinkedIn: https://www.linkedin.com/company/insidebigdata/
Únase a nosotros en Facebook: https://www.facebook.com/insideBIGDATANOW
